หลายโครงการไม่ได้ล้มเหลวเพราะทีมทำงานไม่ดี แต่เพราะธุรกิจลงทุนมากเกินไปก่อนรู้ว่า Assumption สำคัญจริงหรือไม่
ทีมอาจใช้เวลาหกเดือนพัฒนา Product ก่อนพบว่าลูกค้าไม่ได้มองปัญหานั้นว่าสำคัญพอ อาจซื้อ Media จำนวนมากก่อนรู้ว่า Message ไหนทำให้คนสนใจ หรือเปิดสาขาเต็มรูปแบบก่อนรู้ว่า Demand ในพื้นที่นั้นเกิดซ้ำได้จริงหรือไม่
‍
Small Experiment เป็นวิธีซื้อ “ข้อมูลเพื่อการตัดสินใจ” ก่อนซื้อสินทรัพย์หรือ Commitment ที่แพงกว่า
แต่การทดลองเล็กไม่ได้หมายถึงทำอะไรเล็ก ๆ แล้วเรียกว่า Experiment ทุกครั้ง การทดลองที่มีประโยชน์ต้องเริ่มจากคำถามที่ชัดว่าเรายังไม่รู้อะไร ต้องเห็น Evidence แบบไหน และผลแบบใดจะทำให้การตัดสินใจเปลี่ยน

ทดลองเล็กๆ ไม่ได้ทำให้ความเสี่ยงหายไป แต่ช่วยให้รู้มากขึ้นก่อนจ่ายแพงขึ้น
ก่อนลงทุนใหญ่ ธุรกิจมักมี Assumption หลายอย่างที่ยังไม่ได้พิสูจน์ เช่น ลูกค้าต้องการจริงหรือไม่ จะยอมจ่ายหรือไม่ Channel นี้เข้าถึงกลุ่มเป้าหมายได้หรือไม่ หรือ Unit Economics มีโอกาสไปต่อหรือไม่
Small Experiment ช่วยเปลี่ยน Assumption เหล่านี้ให้เป็นสิ่งที่ตรวจสอบได้ โดยใช้ Logic ง่าย ๆ: Assumption → Hypothesis → Experiment → Evidence → Decision
หลักสำคัญคือไม่จำเป็นต้องสร้าง Product เต็มรูปแบบเพื่อทดสอบทุกคำถาม หากสิ่งที่ยังไม่รู้คือ Demand อาจเริ่มจาก Customer Interview, Landing Page, Prototype, Pre-order หรือ Pilot ก่อน แล้วค่อยเพิ่ม Commitment เมื่อ Evidence แข็งแรงขึ้น
Strategyzer แนะนำให้เริ่มจาก Assumption ที่สำคัญและยังมี Evidence ต่ำ รวมถึงกำหนด Hypothesis, Test, Metric และ Success Threshold ให้ชัดก่อนทดลอง ไม่ใช่รอเห็นผลแล้วค่อยตัดสินว่าอะไรเรียกว่า “สำเร็จ”

ก่อนทดลอง ต้องรู้ก่อนว่าเรากำลังพยายามลดความเสี่ยงอะไร

สมมติธุรกิจกำลังพิจารณาเปิดบริการ Subscription ใหม่
ก่อนลงทุนจริง อาจมี Assumption เช่น:

• ลูกค้ามีปัญหานี้จริง
• ปัญหาสำคัญพอให้มองหาทางแก้
• ลูกค้าเข้าใจ Proposition
• ลูกค้ายอมสมัคร
• ลูกค้ายอมจ่าย 499 บาทต่อเดือน
• ธุรกิจส่งมอบบริการได้ในต้นทุนที่เหมาะสม
• ลูกค้าจะใช้ต่อเนื่องหลังเดือนแรก

แต่ละข้อเป็นความเสี่ยงคนละประเภท
Strategyzer แบ่ง Assumption สำคัญของ Business Idea ออกเป็นมิติ เช่น Desirability, Feasibility และ Viability และเสนอให้เริ่มทดสอบ Assumption ที่ Critical ต่อความสำเร็จแต่ยังมี Evidence ต่ำก่อน
คำถามจึงไม่ใช่: “เราควรทดลองอะไรดี?”
แต่คือ: “อะไรต้องเป็นจริงเพื่อให้การลงทุนนี้คุ้ม และข้อไหนที่เรายังรู้น้อยที่สุด?”

Small Experiment ช่วยลด Decision Uncertainty ไม่ได้กำจัดความเสี่ยงทั้งหมด

สมมติโครงการเต็มรูปแบบต้องลงทุน 5 ล้านบาท ทีมยังไม่แน่ใจว่าลูกค้าต้องการบริการหรือไม่

ทางเลือกหนึ่งคือสร้างทั้งหมดแล้วเปิดตลาด อีกทางเลือกคือใช้เงินบางส่วนสร้าง Landing Page และ Prototype เพื่อดูว่า Target Customer เข้าใจ Proposition หรือไม่ สนใจมากพอที่จะ Sign Up หรือไม่ และกลุ่มที่สนใจมี Profile แบบใด
ผลจาก Landing Page ไม่ได้พิสูจน์ว่าโครงการ 5 ล้านบาทจะสำเร็จ

แต่มันอาจตอบคำถามบางข้อก่อนลงทุน 5 ล้านบาท
นี่คือ Value ของ Experiment: ไม่จำเป็นต้องทำให้เรามั่นใจ 100% แต่ต้องช่วยลดความไม่แน่นอนที่มีผลต่อ Decision ขั้นถัดไป

เริ่มจาก Critical Assumption ไม่ใช่เริ่มจากสิ่งที่ทดลองง่ายที่สุด

ทีมมักเลือกสิ่งที่ Test ง่าย เช่น: “คนชอบ Logo ไหน?”
ทั้งที่ความเสี่ยงใหญ่จริง ๆ อาจเป็น: “มีใครต้องการ Product นี้หรือไม่?”
‍
การทดลอง Logo อาจให้ข้อมูลจริง แต่ไม่ได้ลด Risk ที่สำคัญที่สุด
วิธีคิดที่มีประโยชน์กว่าคือเขียน Assumption ทั้งหมด แล้วพิจารณาสองคำถาม:

1. ถ้า Assumption นี้ผิด จะกระทบโครงการมากแค่ไหน?
2. ตอนนี้เรามี Evidence รองรับมากแค่ไหน?

Assumption ที่ Impact สูง + Evidence ต่ำ ควรถูก Prioritize ก่อน
Strategyzer ใช้หลักการคล้ายกันใน Assumptions Mapping โดยแนะนำให้ระบุ High-risk, Low-evidence Hypotheses ก่อนใช้ทรัพยากรกับการทดลอง

เปลี่ยน Assumption ให้เป็น Hypothesis ที่ Test ได้

Assumption: “ลูกค้าน่าจะสนใจบริการนี้”
ยัง Test ยาก เพราะคำว่า “สนใจ” ไม่ชัด
‍
Hypothesis ที่ดีกว่าอาจเป็น: “อย่างน้อย 15% ของ Target Visitors ที่เห็น Proposition จะลงทะเบียนเพื่อขอทดลองบริการภายใน 14 วัน”
ตอนนี้เรามี:
Target
Behavior
Metric
Threshold
Timeframe
Strategyzer เสนอ Test Card ที่บังคับให้ทีมระบุ 4 อย่างก่อนทดลอง:

1. อะไรต้องเป็นจริง?
2. จะ Test อย่างไร?
3. จะวัดอะไร?
4. Success Threshold คืออะไร?

การกำหนด Threshold ก่อนเห็นข้อมูลสำคัญ เพราะช่วยลดโอกาสที่ทีมจะเปลี่ยนคำว่า “สำเร็จ” หลังเห็นผลเพื่อปกป้องไอเดียที่ตัวเองชอบ

การทดลองที่ดีไม่จำเป็นต้องใหญ่ แต่ต้องตรงกับสิ่งที่ต้องการเรียนรู้

สมมติ Hypothesis คือ: “เจ้าของ SME มีปัญหาในการรวม Sales Data จากหลาย Channel”
ช่วงแรกอาจใช้ Customer Interview เพื่อสำรวจว่า Problem มีอยู่จริงหรือไม่ เกิดเมื่อไร และปัจจุบันแก้อย่างไร

แต่ถ้า Hypothesis เปลี่ยนเป็น: “เจ้าของ SME ยอมจ่าย 1,500 บาทต่อเดือนสำหรับ Tool ที่แก้ปัญหานี้”
การถาม Interview เพียงว่า: “ถ้ามี Tool นี้จะสนใจไหม?”
เป็น Evidence ที่ค่อนข้างอ่อนสำหรับ Willingness to Pay อาจต้องขยับไปหา Evidence ที่ใกล้ Behavior มากขึ้น เช่น:

• Pricing Test
• Landing Page พร้อม Price
• Request Demo
• Trial Sign-up
• Pre-order
• Paid Pilot
• Actual Purchase

Strategyzer เสนอแนวคิดว่า Evidence โดยทั่วไปจะแข็งแรงขึ้นเมื่อ Experiment เข้าใกล้ Real-world Behavior และ Real Commitment มากขึ้น ขณะที่ Experiment ที่เร็วและราคาถูกเหมาะกับช่วง Exploration มากกว่า

Evidence Strength ควรเพิ่มตามขนาดของ Commitment

ก่อนใช้เงิน 20,000 บาทเพื่อเรียนรู้ อาจยอมรับ Directional Evidence ได้
ก่อนลงทุน 20 ล้านบาท ควรต้องการ Evidence ที่แข็งแรงกว่านั้น

จึงไม่ควรถามเพียง: “เรามี Data หรือยัง?”
แต่ควรถาม: “Evidence นี้แข็งแรงพอสำหรับขนาดของ Decision หรือยัง?”

ตัวอย่าง Evidence Ladder:
ระดับ 1: Customer Says - Interview / Survey / Stated Interest
ระดับ 2: Customer Acts - Click / Sign-up / Request Demo / Join Waitlist
ระดับ 3: Customer Commits - Deposit / Pre-order / Paid Pilot / Contract Intent
ระดับ 4: Market Behavior - Actual Purchase / Repeat Purchase / Retention / Real Usage
ระดับ 5: Controlled Evidence - Treatment vs Control / Randomized Experiment เมื่อเหมาะสม
ระดับที่สูงกว่าไม่ได้จำเป็นสำหรับทุกคำถาม และระดับต่าง ๆ ไม่ได้ทดแทนกันแบบสมบูรณ์ แต่ Framework นี้ช่วยเตือนว่า “คนบอกว่าสนใจ” ไม่ใช่ Evidence ระดับเดียวกับ “คนยอมจ่ายเงินจริง”

Small Experiment ไม่ได้หมายถึง A/B Test เสมอไป

คำว่า Experiment ในธุรกิจมีความหมายกว้าง
Exploratory Test อาจใช้เพื่อเรียนรู้:

• Customer Interview
• Prototype Test
• Landing Page
• Fake Door Test
• Concierge Test
• Pilot
• Pre-order

Controlled Experiment ใช้ตอบคำถามเชิง Causal ที่เข้มขึ้น เช่น: “การเปลี่ยน Message ทำให้ Conversion เพิ่มหรือไม่?”
A/B Test ที่ออกแบบเหมาะสมและ Random Assignment สามารถช่วยแยกผลของ Treatment ออกจากการเปลี่ยนแปลงของ Environment ได้ดีกว่าการดู Before-After อย่างเดียว Microsoft Research อธิบายว่า Randomized A/B Experiment เป็นวิธีสำคัญสำหรับการอนุมาน Causal Impact เพราะ Treatment และ Control ถูกสร้างให้เปรียบเทียบกันได้ตั้งแต่ต้น

ดังนั้น: Prototype Test ≠ Randomized Experiment
ทั้งคู่มีประโยชน์ แต่ตอบคนละคำถาม

อย่าสับสน Before-After กับ Experiment ที่พิสูจน์ Cause

สมมติร้านเปลี่ยน Promotion วันที่ 1 มิถุนายน
Conversion Rate:
ก่อนเปลี่ยน = 3.2%
หลังเปลี่ยน = 4.1%

FACT:
Conversion เพิ่มขึ้นหลัง Promotion เปลี่ยน
แต่ยังไม่ควรสรุป: Promotion ใหม่ทำให้ Conversion เพิ่ม 0.9 Percentage Points
เพราะช่วงเดียวกันอาจมี:

• Seasonality
• Payday
• Traffic Mix เปลี่ยน
• Competitor Promotion
• Stock Availability
• Media Campaign
• Website Improvement

Before-After ช่วยเห็น Pattern
แต่ Pattern ไม่ได้แยก Alternative Explanations ออกโดยอัตโนมัติ
ถ้าคำถามต้องการ Causal Evidence และทำได้ ควรพิจารณา Comparison Group หรือ Randomized Control ที่เหมาะสม

ตัวอย่างที่ 1: ก่อนเปิดสาขาใหม่ ไม่จำเป็นต้องเริ่มจากเซ็นสัญญาระยะยาว

สมมติธุรกิจกำลังพิจารณาเปิดสาขาในพื้นที่ใหม่
Full Investment อาจประกอบด้วย:
ค่าเช่า
Renovation
Equipment
Staff
Inventory
Marketing
‍
ก่อน Commit ทั้งหมด Critical Assumption อาจเป็น: “พื้นที่นี้มี Demand จาก Target Customer เพียงพอในช่วงเวลาที่เราต้องการ”
Experiment ที่เล็กกว่าอาจเป็น:
Pop-up
Temporary Booth
Delivery-only Test
Weekend Pilot
Pre-order Campaign เฉพาะพื้นที่

แต่ละวิธีมีข้อจำกัดและไม่เหมือนสาขาจริง 100%
อย่างไรก็ตาม หาก Pilot พบว่า Demand ต่ำมากแม้ในเงื่อนไขที่เหมาะสม นั่นอาจเป็นข้อมูลราคาถูกกว่าการพบปัญหาเดียวกันหลังเซ็นสัญญาหลายปี

ตัวอย่างที่ 2: ก่อนซื้อ Media ใหญ่ ทดลอง Message ก่อน

สมมติ Campaign เต็มรูปแบบใช้งบ 3 ล้านบาท
ทีมมี Message 3 แบบ:
A: ประหยัดเงิน
B: ประหยัดเวลา
C: ใช้ง่าย
‍
แทนที่จะเลือกจากความเห็นในห้องประชุม อาจใช้ Budget ขนาดเล็ก Test Creative ภายใต้ Audience และ Delivery Conditions ที่ใกล้เคียงกัน
แต่ต้องกำหนด Primary Metric ก่อน เช่น:
CTR?
Qualified Lead?
Conversion?
Revenue?

ถ้าเลือก CTR เพราะตัวเลขดูดีที่สุดหลังเห็นผล ทั้งที่ Business Goal คือ Qualified Lead ทีมอาจกำลัง Optimize Metric ที่ไม่ตรง Decision
Experiment ที่ดีจึงต้องกำหนด Metric ก่อน Run ไม่ใช่เลือก Winner จากตัวเลขที่สวยที่สุดภายหลัง

ตัวอย่างที่ 3: ก่อนสร้าง Feature เต็มรูปแบบ ทดสอบว่า User ต้องการมันจริงหรือไม่

สมมติทีมต้องใช้เวลา 4 เดือนสร้าง Feature ใหม่ แต่ยังไม่แน่ใจว่า User ต้องการหรือไม่
อาจเริ่มจาก:
Prototype
Clickable Mockup
Fake Door
Manual Concierge Service
Limited Beta

ถ้า Fake Door มีคนกดจำนวนมาก เราได้ Evidence ว่ามี Interest ต่อ Feature Entry Point
แต่ยังไม่รู้ว่า:
คนจะใช้จริงหลังเปิดหรือไม่
จะใช้ซ้ำหรือไม่
ยอมจ่ายหรือไม่
สร้าง Retention หรือไม่

ดังนั้น Click เป็น Evidence ของ Interest ไม่ใช่ Evidence ของ Long-term Product Value
นี่คือหลักสำคัญของ Experimentation: Metric ต้อง Match กับ Claim

อย่าให้ Experiment วัดสิ่งที่ง่าย แต่ไม่ตอบ Decision

ตัวอย่าง:
Business Question: “ควรลงทุนสร้าง Subscription Service หรือไม่?”
Metric: Instagram Likes

ปัญหาคือ Likes อาจสะท้อน Content Engagement แต่ไม่ได้ตอบ Willingness to Pay หรือ Retention
Metric ที่ใกล้ Decision มากกว่าอาจเป็น:

• Landing Page Conversion
• Trial Activation
• Paid Conversion
• Repeat Usage
• Cancellation
• Contribution Margin

Experiment ไม่ได้ดีเพราะมี Data เยอะ
มันดีเมื่อ Data ที่ได้ช่วยเปลี่ยน Decision ได้

กำหนด Decision Rule ก่อนเห็นผล

สมมติ Pilot ใหม่มี Primary Metric คือ Paid Conversion
ก่อนเริ่มทีมกำหนด:
GO  ≥ 12%
REVISE  7–11.9%
STOP / Rethink  < 7%
ตัวเลขเหล่านี้เป็นเพียงตัวอย่าง ไม่ใช่ Benchmark ที่ทุกธุรกิจควรใช้

Threshold จริงต้องมาจาก:
Economics
Existing Baseline
Strategic Requirement
Cost
Risk
Minimum Viable Outcome
การกำหนด Decision Rule ล่วงหน้าช่วยให้ทีมรู้ว่า Evidence จะถูกใช้ตัดสินใจอย่างไร และลดการตีความผลตามความชอบภายหลัง
Strategyzer ใช้แนวคิดเดียวกันใน Test Card โดยให้กำหนด Success Criteria หรือ Threshold ก่อนประเมินผล

ผลที่ไม่ผ่าน Hypothesis ไม่ได้แปลว่า Experiment ล้มเหลว

สมมติ Hypothesis คือ: “20% ของผู้เห็น Landing Page จะ Request Demo”
ผลจริง = 6%
‍
ถ้า Test ถูกออกแบบดี Traffic ตรง Target และ Measurement เชื่อถือได้ ผล 6% เป็นข้อมูลที่มี Value
มันอาจบอกว่า:

• Proposition ยังไม่ชัด
• Need ไม่แรงพอ
• Audience ไม่ถูก
• Offer ไม่เหมาะ
• Price สูงเกินไป
• หรือ Hypothesis เดิมอาจผิด

สิ่งที่ยังบอกไม่ได้คือสาเหตุข้อใดเป็นจริง จนกว่าจะมี Evidence เพิ่ม
Experiment ที่ Refute Hypothesis จึงไม่ใช่ “Failed Experiment”
มันอาจเป็น Cheap Learning ที่ช่วยป้องกัน Expensive Failure

แต่ Small Experiment ที่ออกแบบไม่ดีสามารถสร้าง False Confidence ได้

คำว่า “ทดลองแล้ว” ไม่ได้รับประกันว่าข้อมูลน่าเชื่อถือ
ต้องตรวจอย่างน้อย:

• Participants ตรง Target หรือไม่?
• Stimulus ใกล้สถานการณ์จริงพอหรือไม่?
• Metric ตรงกับ Hypothesis หรือไม่?
• Sample เพียงพอกับ Claim หรือไม่?
• มี Selection Bias หรือไม่?
• มี Seasonality หรือ External Factors หรือไม่?
• Measurement ทำงานถูกต้องหรือไม่?
• Test Duration เหมาะสมหรือไม่?
• มีการเลือก Metric หลังเห็นผลหรือไม่?

Strategyzer เน้นว่าการลด Risk ต้องอาศัย Experiment ที่ออกแบบดี โดยเริ่มจาก Testable Hypothesis และเลือก Participants กับ Test Artefact ที่เหมาะสมเพื่อสร้าง Evidence ที่มีความหมาย

อย่าทำ Experiment เล็กจนตอบอะไรไม่ได้

Small Experiment ไม่ได้หมายถึง:
Small Sample เสมอไป
Short Duration เสมอไป
Low Budget เสมอไป

คำว่า “Small” ควรหมายถึง: Commitment เล็กกว่าการลงทุนเต็มรูปแบบ แต่ยังใหญ่พอที่จะสร้าง Evidence ที่ใช้ตัดสินใจได้
ถ้าทดลองเล็กเกินไปจน Noise สูงมาก หรือไม่มี Target Customer เพียงพอ ผลอาจเพิ่มความสับสนแทนที่จะลดความไม่แน่นอน
ดังนั้นขนาดของ Experiment ต้องสัมพันธ์กับ:
Decision Risk
Expected Effect
Variability
Required Precision
Available Traffic / Sample
Cost of Being Wrong

เมื่อ Risk สูงขึ้น ควรขยับจาก Cheap Test ไป Stronger Evidence

การทดสอบไม่จำเป็นต้องจบในครั้งเดียว
ตัวอย่าง Sequence:
Stage 1: Explore
Customer Interview
Question: Problem มีจริงหรือไม่?

Stage 2: Test Interest
Landing Page
Question: Proposition ดึงดูด Action หรือไม่?

Stage 3: Test Commitment
Pre-order / Paid Pilot
Question: ลูกค้ายอม Commit เงินหรือเวลาไหม?

Stage 4: Test Experience
Limited Pilot
Question: ใช้แล้วเกิด Value และ Repeat หรือไม่?

Stage 5: Validate Impact
Controlled Experiment หรือ Market Comparison ที่เหมาะสม
Question: Intervention สร้าง Incremental Outcome หรือไม่?

Stage 6: Scale
ลงทุนมากขึ้นเมื่อ Evidence แข็งแรงขึ้น
Strategyzer แนะนำแนวทางที่เริ่มจาก Fast, Cheap Discovery Tests แล้วเพิ่ม Evidence Strength ก่อน Commitment ที่ใหญ่ขึ้น แทนที่จะพยายามสร้าง Full Solution ตั้งแต่การทดลองครั้งแรก

Experiment ควรจบด้วย Decision ไม่ใช่จบด้วย Report

หลังทดลอง ทีมไม่ควรจบที่: “Conversion = 11.4%”
ควรถามต่อ:
Evidence นี้เปลี่ยนความเชื่ออะไร?
Critical Assumption ยังเสี่ยงอยู่แค่ไหน?
เราควรลงทุนเพิ่มหรือไม่?
ต้องแก้อะไรก่อน?
ต้อง Test อะไรต่อ?

Decision อาจเป็น:
GO Evidence แข็งแรงพอสำหรับ Commitment ขั้นถัดไป
REVISE มี Signal แต่ Proposition, Product หรือ Execution ต้องปรับ
STOP Evidence ขัดกับ Critical Assumption มากพอที่จะไม่ลงทุนต่อในรูปแบบเดิม
TEST AGAIN Evidence ยังไม่ชัดหรือ Experiment มีข้อจำกัด
Strategyzer ระบุว่าจุดประสงค์ของ Testing Cycle คือใช้ Evidence เพื่อตัดสินใจว่าจะ Persevere, Pivot หรือหยุด ไม่ใช่วัดความสำเร็จจากจำนวน Experiment ที่ทีมทำ

8 คำถามก่อนลงทุนใหญ่

1. อะไรต้องเป็นจริงเพื่อให้ Investment นี้คุ้ม?
2. Assumption ไหนถ้าผิดแล้วสร้างความเสียหายมากที่สุด?
3. เรามี Evidence อะไรแล้ว และ Evidence นั้นแข็งแรงแค่ไหน?
4. Experiment ที่เล็กที่สุดที่ตอบ Critical Question ได้คืออะไร?
5. Metric ไหนตรงกับ Hypothesis จริง?
6. Success Threshold และ Decision Rule คืออะไร?
7. ถ้าผลออกมาตรงข้ามกับที่หวัง เราพร้อมเปลี่ยน Decision หรือไม่?
8. Evidence ที่มีตอนนี้แข็งแรงพอกับขนาดเงินและความเสี่ยงที่กำลังจะ Commit หรือยัง?

ถ้าข้อ 7 ตอบว่า “ไม่” การทดลองอาจกำลังถูกใช้เพื่อยืนยัน Decision ที่ตัดสินไปแล้ว มากกว่าจะใช้เรียนรู้ก่อนตัดสินใจ

สรุป: ลงทุนในการเรียนรู้ก่อนลงทุนในการ Scale

Small Experiment ไม่ได้มีไว้ทำให้ทุก Decision ปลอดภัย
ธุรกิจยังต้องตัดสินใจภายใต้ความไม่แน่นอนเสมอ
สิ่งที่ Experiment ทำได้คือช่วยให้บาง Assumption ถูกตรวจสอบก่อนที่ Cost of Being Wrong จะสูงขึ้น
Logic ที่ใช้ได้คือ: Business Decision → Critical Uncertainty → Hypothesis → Smallest Useful Experiment → Evidence → Decision Rule → Next Investment
เริ่มจาก Test ที่เร็วและต้นทุนต่ำได้เมื่อกำลัง Explore แต่เมื่อ Decision ใหญ่ขึ้น Evidence ก็ควรแข็งแรงขึ้นตามไปด้วย และถ้าต้องการสรุป Cause ควรใช้ Experimental Design ที่เหมาะสมมากกว่าพึ่ง Before-After Pattern เพียงอย่างเดียว

คำถามสำคัญก่อนอนุมัติงบก้อนใหญ่จึงไม่ใช่เพียง: “เรามั่นใจในไอเดียนี้แค่ไหน?”
แต่คือ: “Assumption ที่สำคัญที่สุดของไอเดียนี้คืออะไร และเราสามารถซื้อ Evidence เพิ่มด้วยการทดลองที่เล็กกว่าการลงทุนเต็มรูปแบบได้หรือไม่?”